Fast R-CNN论文解析

最新推荐文章于 2024-10-15 21:55:47 发布
原创 最新推荐文章于 2024-10-15 21:55:47 发布 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #神经网络

FastR-CNN由Ross Girshick于2015年提出，改进了R-CNN系列算法，提升了目标检测的速度和准确率。文章分析了R-CNN和SPPNet的缺陷，介绍了FastR-CNN的结构，包括整体流程、ROIPoolingLayer、预训练网络的调整、微调策略和尺度不变性。FastR-CNN采用单阶段训练，实现了分类和回归的多任务学习。

文章目录


本篇博客将要解析的论文是Fast R-CNN，论文地址为： https://arxiv.org/abs/1504.08083

一、介绍

本文是Ross Girshick于2015年发表的一篇文章，该论文提出了Fast R-CNN模型，改进了R-CNN系列的算法流程和网络结构，在SPPNet的基础上，继续提高了目标检测模型的运算速度和准确率。

二、拟解决的关键问题

不同于分类任务，目标检测算法还需要获取物体的精准定位信息，目前准确率较高的几种目标检测算法如R-CNN、SPPNet等大都是基于区域推荐算法来实现以上目标，但这种方式目前也存在一些问题：

  1. 大量的推荐框会被产生并处理——耗时耗内存
  2. 推荐框只能提供粗略定位，仍然需要再次处理去获得精确定位——训练流程较为复杂

下面简单分析一下R-CNN以及SPPNet的主要缺陷：

  • R-CNN

  1. 训练过程是一个多阶段的流程

    • 使用log loss在推荐框上微调一个卷积网络
    • 将卷积神经网络提取到的特征送入SVM中训练一个SVM分类器
    • Bounding Box Regression

  2. 训练过程既耗时又耗空间

    对于SVM和Regressor的训练过程，特征是每张图片的所有推荐框提取得到的特征，并事先保存在硬盘中，训练时再重新读取

  3. 目标检测慢

    由于测试时需要为每张图片的每个检测框提取特征，导致运行很慢

  • SPPNet
    与R-CNN类似，仍然是一个多阶段的流程：提取特征，使用log loss微调网络，训练SVM，应用Bounding Box Regressor。不同于R-CNN，SPPNet的微调算法不能更新SPP Layer之前的卷积层，这个部分内容后续再做更为详细地阐述。

R-CNN慢的重要原因在于：其没有共享权重，而是为每个推荐框运行一次卷积网络。而SPPNet通过共享权重则是加快了运行速度：SPPNet为整张图片提取一个卷积特征图，然后使用从共享特征图中提取的固定长度的特征完成分类。但其微调算法限制了检测准确率。
Fast R-CNN则是提出了一个Single-Stage训练算法，可以同时学习去分类推荐框以及优化推荐框的空间位置，并采用多任务学习的方式，同时提升子任务——分类和回归的准确率。

三、Fast R-CNN结构以及训练算法

1. 整体结构

Fast R-CNN结构

图1 Fast R-CNN结构

输入：一整张图片以及该张图片对应的一系列的推荐框

网络：

  • 一系列的卷积层和最大池化层，用于产生一个卷积特征图
  • 针对每个推荐框，使用ROI Pooling Layer从特征图中提取一个固定长度的特征向量
  • 送入一系列的全连接层，并产生两路分支：
  •   1. 分类头：产生一个softmax概率（K + 1），用于推荐框的分类
  2. 回归头：为每个类别（K）产生一个四维向量，用于推荐框位置的修正

2. ROI Pooling Layer

ROI Pooling Layer使用Max Pooling将任何大小的ROI都转化为一个具有固定空间尺度H * W的特征图，例如7 * 7，H和W是一个与ROI无关的超参数，每个ROI通过四个参数定义 ( r , c , h , w ) (r,c,h,w) (r,c

最低0.47元/天 解锁文章
论文：Fast R-CNN
cztAI的博客
07-01 1207
Fast R-CNN 论文：https://arxiv.org/abs/1504.08083 代码：https://github.com/rbgirshick/fast-rcnn 更多 目标检测 本文提出了一种基于快速区域的卷积网络(Fast R-CNN)目标检测方法。 因为检测需要对目标进行精确定位，所以产生了两个主要的挑战。首先，必须处理许多候选对象位置(通常称为“提议”)。其次，这些候选对象只提供粗定位，必须进行细化才能实现精确定位。这些问题的解决方案往往会牺牲速度、准确性或简洁性。 我们提出了一种
《Python机器学习基础教程》第十二章计算机视觉基础12.8 深度解析：目标检测算法（R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD）及其应用场景
最新发布
03-31 1619
目标检测是计算机视觉中的一个基本任务，其目的是在图像或视频中识别并定位多个对象。目标检测不仅需要识别出图像中的物体类别，还需要确定它们的位置和大小。这通常通过边界框（bounding box）来表示。R-CNN（Region-based Convolutional Neural Networks）是由Ross Girshick等人在2014年提出的，它将选择性搜索（Selective Search）与卷积神经网络相结合，实现了端到端的目标检测。
Fast R-CNN论文详解
热门推荐
WoPawn的博客
09-07 3万+
废话不多说，上车吧，少年paper链接：Fast R-CNN &创新点 规避R-CNN中冗余的特征提取操作，只对整张图像全区域进行一次特征提取； 用RoI pooling层取代最后一层max pooling层，同时引入建议框信息，提取相应建议框特征； Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结果和窗口回归结果，实现了end-to-end的多任务训练【建议框提取除外】，也
Faster R-CNN论文详解
WoPawn的博客
08-16 3万+
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
2018-12 文献阅读：Fast R-CNN(2015)
qq_43126480的博客
12-28 645
Fast RCNN摘要 摘要 Fast Region-based CNN（Fast R-CNN）建立在之前的工作上，目的是利用深度卷积网络高效地对object proposals进行分类。
【论文精读】Fast R-CNN
takedachia的博客
08-18 3047
《Fast R-CNN》是同一个作者基于自己之前的R-CNN工作的改进。 Fast R-CNN也是基于深度卷积神经网络用于计算机视觉任务（主要用于目标检测）的算法。 他在R-CNN的基础上进行了大幅创新，比如将目标的分类和定位的步骤进行了统一，实现了端到端的训练、预测流程。 Fast R-CNN在使用VGG-16的主干网络时，训练速度比R-CNN快9倍，测试速度快了213倍，并提升了检测精度。 训练速度比SPPnet快了3倍，测试速度快了10倍，并提升了准确率。......
Mask R-CNN论文解析
yanghao201607030101的博客
10-26 800
一、论文相关信息 ​ 1.论文题目：Mask-RCNN ​ 2.发表时间：2017 ​ 3.文献地址：https://arxiv.org/abs/1703.06870 ​ 4.论文源码： https://github.com/facebookresearch/Detectron. 二、论文背景与简介 视觉社区在短时间内已经在目标检测和语义分割上取得了迅速的提高，这些提高很大部分是基于一些强大的框架，例如目标检测的Fast、Faster R-CNN和实力分割的FCN，这些框架具有直观的概念、灵活与鲁棒性，并且
R-CNN，Fast R-CNN，Faster R-CNN 论文解读
JerryZhang__的博客
01-05 913
Faster R-CNN论文解析 paper title：Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks paper link：https://arxiv.org/pdf/1506.01497.pdf 从R-CNN到Fast R-CNN R-CNN paper title: Rich fea...
Fast R-CNN_RCNN_FastRCNN实现_faster-rcnn_CNN_fasterRCNN_
10-02
**Fast R-CNN、RCNN与Faster R-CNN：深度学习目标检测技术解析** 在计算机视觉领域，目标检测是一项核心任务，它涉及到识别图像中特定物体的位置和类别。Fast R-CNN、RCNN（区域卷积神经网络）以及Faster R-CNN是这...
【论文翻译】Fast R-CNN
夏天的风
12-05 2万+
Fast R-CNNRoss Girshick Microsoft Research rbg@microsoft.com摘要本文提出了一种快速的基于区域的卷积网络方法（fast R-CNN）用于目标检测。Fast R-CNN建立在以前使用的深卷积网络有效地分类目标的成果上。相比于之前的成果，Fast R-CNN采用了多项创新提高训练和测试速度来提高检测精度。Fast R-CNN训练非常深的V
RCNN、Fast-RCNN、 Faster R-CNN论文
03-28
目标检测要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。文档阐述了物体检测的方法流程和改进
RCNN，FastRCNN，FasterRCNN论文
11-01
RCNN，FastRCNN和FasterRCNN论文原文，介绍了经典的双阶段目标检测算法RCNN及其改进，属于深度学习必读论文
Fast R-CNN论文——学习笔记
qq_55009448的博客
10-15 749
R-CNN 在处理每个候选区域时，会先将每个区域的特征提取出来，并将其存储在磁盘上，以便后续分类使用。： 由于 Fast R-CNN 在训练时直接从共享的特征图中提取 RoI 特征，这使得整个网络可以端到端训练，不再需要像 R-CNN 那样先训练一个独立的候选区域生成器（例如 Selective Search），然后再进行特征提取和分类。Fast R-CNN 通过一个单阶段训练过程，结合了分类和边界框回归的多任务损失函数，从而简化了训练流程，不再需要像 R-CNN 那样分开进行不同阶段的训练。
Fast-RCNN论文总结整理
Air_2014的博客
09-15 454
此篇博客写作思路是一边翻译英文原文一边总结博主在阅读过程中遇到的问题及一些思考，因为博主本人阅读英文论文水平不高，所以还请大家在看此篇博客的过程中带着批判的眼神阅读！小墨镜带好，有什么不对的地方请在留言指出，大家一起讨论，快乐的搞事情！ Fast R-CNN Ross Girshick Microsoft Research 摘要： 本文提出了一种可用于目标检测...
Fast R-CNN(论文阅读)
Xiao_Ya__的博客
07-07 1242
Fast R-CNN(论文阅读)
论文精读：Fast R-CNN
qq_52053775的博客
05-28 3412
Abstract 本文提出了一种基于快速区域的卷积网络方法(Fast R-CNN)进行目标检测。Fast R-CNN建立在之前的工作基础上，使用深度卷积网络有效地对目标建议进行分类。与之前的工作相比，Fast R-CNN采用了一些创新来提高训练和测试速度，同时也提高了检测精度。FastR-CNN训练非常深的VGG16网络比R-CNN快9×，在测试时快213×，并且在pascalVOC2012上实现了更高的mAP。与SPPnet相比，FastR-CNN训练VGG16 3×的速度更快，测试速度更快10×，而且
Faster RCNN 论文阅读
菜鸟驿站
09-27 746
Fast RCNN基本实现了end to end，但是它的Proposals是单独执行的，并且Proposals采用的是SS算法，此算法比较古老，并且只能利用CPU进行，速度比较慢，因此Faster RCNN改进的主要是Region Proposals方面，它利用一个名为RPN（Region Proposals Network）的网络实现Proposals区域的提取，速度方面有了很大的提升。所以可...
论文精读之Fast R-CNN（Fast R-CNN）
weixin_44733295的博客
08-09 515
论文提出一种新的算法结构Fast R-CNN，首先，将图片输入DeepCNN网络中得到特征图，根据映射关系可以找到原图上每个候选区域在特征图上的特征矩阵，然后将特征矩阵通过RoI Pooling层统一缩放到指定尺寸（论文中采用7x7），然后经过两个全连接层得到特征向量，在这之后并联两个全连接层层，左边的全连接层用于目标类别预测（分类器），右边全连接层用于边界框回归参数的预测（回归器）。首先，最后一个最大池化层被 RoI 池化层取代， 其次，将网络的最后一个全连接层替换为前面所述的（一个全连接层和。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值